[发明专利]用于图像检测的信息处理方法、装置以及存储介质

说明书

本申请公开了一种用于图像检测的信息处理方法、装置以及存储介质，涉及图像检测领域，该方法包括：提取目标图像的图像特征，并根据预设深度学习模型和预设统计学习模型分别对所述目标图像进行图像检测，得到第一目标物体信息和第二目标物体信息；将所述第一目标物体信息和所述第二目标物体信息根据预设融合规则进行信息融合，得到所述目标图像的第三目标物体信息；本申请解决了相关技术中单独使用基于统计学习的检测方法鲁棒性较差，单独使用基于深度学习的检测方法难以控制漏检和误检，从而导致的图像检测效果不佳的问题。

技术领域

本申请涉及图像检测领域，具体而言，涉及一种用于图像检测的信息处理方法、装置以及存储介质。

背景技术

针对行人的检测是图像检测领域中重要的应用场景，相关技术中的行人检测往往采用基于统计学习的检测方法和基于深度学习的检测方法。

基于统计学习的检测方法是目前行人检测常用的方法，一般采用分类器加多尺度滑动窗口的模式，根据大量的标注样本构建行人分类器，提取的特征主要有目标的灰度、边缘、纹理、颜色、梯度直方图等信息，分类器主要包括SVM、adaboost等，通过多尺度滑动窗口对图片进行全方位扫描，用分类器判断每一个窗口是行人的概率，得分满足要求的窗口即为行人。

基于深度学习的检测方法主要包括Faster RCNN、SSD、YOLO等检测方法及其各种衍生检测方法，比如Faster RCNN主要由深度学习特征提取、区域建议网络、区域分类回归网络构成，而SSD、YOLO由深度学习特征提取、检测网络构成，它们都是一种端到端的检测器，根据大量的样本训练行人检测器，无需人工提取特征，卷积神经网络一般是全卷积神经网络。

发明人发现，基于统计学习的检测方法由标注样本训练出分类器，利用分类器的结果得到行人的得分，再利用滑动窗口得到行人的坐标，缺点是人工提取特征鲁棒性较差，无法适应多样性的场景，并且滑动窗口带来很大的计算量。

基于深度学习的检测方法由标注样本直接训练出检测器，直接得到行人的得分和坐标，缺点是训练样本量大，难以控制漏检和误检，无法通过改变少量的样本来控制检测器的行为，无法对特殊场景进行特殊处理。

针对相关技术中单独使用基于统计学习的检测方法鲁棒性较差，单独使用基于深度学习的检测方法难以控制漏检和误检，从而导致的图像检测效果不佳的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种用于图像检测的信息处理方法、装置以及存储介质，以解决相关技术中单独使用基于统计学习的检测方法鲁棒性较差，单独使用基于深度学习的检测方法难以控制漏检和误检，从而导致的图像检测效果不佳的问题。

为了实现上述目的，根据本申请的第一方面，本申请实施例提供了一种用于图像检测的信息处理方法，所述方法包括：提取目标图像的图像特征，并根据预设深度学习模型和预设统计学习模型分别对所述目标图像进行图像检测，得到第一目标物体信息和第二目标物体信息；将所述第一目标物体信息和所述第二目标物体信息根据预设融合规则进行信息融合，得到所述目标图像的第三目标物体信息。

结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述提取目标图像的图像特征之前包括：根据预设训练数据对所述深度学习模型进行训练，得到第一分类器和第一回归器；提取所述初始图像的图像特征，并根据所述第一分类器和所述第一回归器计算得到所述初始物体信息，其中，所述初始物体信息为物体坐标信息和物体类型信息中的至少一种。

结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述提取目标图像的图像特征之前还包括：根据所述初始物体信息中的所述物体坐标信息对所述初始图像进行切割，得到所述目标图像。